gemma-3-12b-it

Ficha tecnica

gemma-3-12b-it es un modelo IA de google dentro de la familia Gemma 3, con capacidades de Vision. Entiende imágenes y texto a la vez, y la variante «it» (instruction-tuned) está ajustada para seguir instrucciones en lenguaje natural. Con 2.412.086 descargas en Hugging Face, es uno de los modelos multimodales abiertos más usados del momento.

Su interés para la empresa es práctico. Permite aplicar inteligencia artificial a tareas visuales, como revisar piezas, etiquetas o embalajes, sin depender de una API en la nube. Se ejecuta en local, con coste bajo y con control total sobre los datos de producción.

En este análisis repasamos sus características, casos de uso industriales, cómo desplegarlo con Ollama y cómo se compara con sus principales rivales.

Características técnicas

CaracterísticaDetalle
Nombregemma-3-12b-it
ProveedorGoogle
CategoríaVision (multimodal imagen + texto)
ParámetrosNo especificado en la ficha; el nombre indica unos 12.000 millones
LicenciaGemma (términos propios de Google)
Descargas2.412.086
Despliegue recomendadoOllama local
CosteBajo
Puntuación Blixel8/10

Según la documentación de Google, la familia Gemma 3 admite contexto largo y soporte multilingüe, incluido el español. Procesa imágenes mediante un codificador visual integrado, por lo que no hace falta combinar varios modelos.

Un detalle sobre la licencia: Gemma no es una licencia open source clásica. Permite el uso comercial, pero impone condiciones de uso aceptable, así que conviene revisarla con el área legal antes de integrarlo en un producto.

Casos de uso reales

Control de calidad visual en producción

El caso más claro es automatizar la inspección visual en líneas de producción. Una cámara captura cada pieza y el modelo analiza la imagen para decidir si es válida o si presenta algún defecto.

A diferencia de la visión artificial clásica, no hace falta programar reglas para cada defecto. Se describe en lenguaje natural qué buscar y se obtiene una respuesta estructurada, por ejemplo en JSON, con el veredicto y la justificación.

  • Detección de defectos: arañazos, golpes, rebabas o manchas en piezas metálicas y plásticas.
  • Grietas y deformaciones: identificación visual de fisuras o desviaciones evidentes en la geometría.
  • Informes explicables: el modelo describe el defecto, algo útil para auditorías ISO.

Inspección en cadenas de montaje y packaging

En montaje, puede verificar que todos los componentes están presentes, que un conector está bien colocado o que no falta un tornillo. Es una comprobación rápida antes de pasar a la siguiente estación.

En packaging y etiquetado puede revisar que la etiqueta es la correcta, que está bien alineada y que el texto es legible. También comprueba que la caja no está dañada antes del envío, lo que reduce devoluciones y reclamaciones.

Consultoría: sistemas de inspección a medida

Para consultoras e integradores, gemma-3-12b-it sirve de base para prototipar sistemas de inspección en pocos días. El ROI es fácil de medir: menos rechazos, menos horas de revisión manual y menos productos defectuosos que llegan al cliente.

Una limitación a tener en cuenta: es un modelo generalista, no un sistema de metrología. Para tolerancias dimensionales estrictas (décimas de milímetro) conviene combinarlo con visión clásica o sensores calibrados. Para líneas de alta cadencia, mide siempre la latencia real: hablamos de segundos por imagen, no de milisegundos.

Cómo desplegarlo

El despliegue recomendado es Ollama en local, que simplifica la descarga y el servicio del modelo. Los pasos básicos:

  1. Instala Ollama desde su web oficial (Windows, macOS o Linux).
  2. Descarga y ejecuta el modelo con el comando siguiente.
  3. Expón la API local y conéctala a tu sistema de captura de imágenes.
ollama run gemma3:12b

Ollama expone una API REST en el puerto 11434. Desde ahí puedes enviar imágenes en base64 junto a un prompt como: «Inspecciona esta pieza y responde en JSON con campos: estado (OK/NOK), defecto y confianza».

Como referencia de hardware, la versión cuantizada ocupa unos 8 GB. Una GPU con 12 GB de VRAM o más ofrece una experiencia fluida, aunque también puede funcionar en CPU con un rendimiento mucho menor. Conviene fijar una iluminación y un encuadre constantes, porque influyen más en la precisión que el propio modelo.

Comparativa con alternativas

ModeloFortalezasPuntos a considerar
gemma-3-12b-itGran comunidad, buen soporte multilingüe, fácil despliegue en OllamaLicencia Gemma con condiciones propias
LLaVA-1.6Ecosistema maduro y muy documentadoGeneración más antigua; licencia según la variante base
Qwen2-VLMuy competitivo en OCR y comprensión de documentosLicencia variable según el tamaño del modelo
Pixtral-12BTamaño similar, buen razonamiento visualComunidad y herramientas más reducidas

LLaVA-1.6 es una opción conocida y estable, pero pertenece a una generación anterior. Qwen2-VL destaca si tu prioridad es leer texto en etiquetas o documentos, y merece una prueba comparativa.

Pixtral-12B es el rival más directo por tamaño. gemma-3-12b-it se apoya en el respaldo de google y en su adopción masiva, un factor de estabilidad a la hora de elegir. Nuestra recomendación es probar dos o tres candidatos con imágenes reales de tu planta antes de decidir.

Veredicto Blixel

Puntuación Blixel: 8/10.

Hay una alta demanda en PYMEs industriales por automatizar el control de calidad visual, con un ROI claro y medible. Sus 2,4 millones de descargas indican estabilidad y una comunidad activa que resuelve dudas y publica herramientas.

Lo recomendamos como punto de partida para proyectos de inspección visual con coste bajo y datos que no salen de la planta. No sustituye a un sistema de metrología dedicado, pero como capa de inspección inteligente aporta mucho valor.

Puedes consultar el modelo en Hugging Face.


Análisis generado por Blixel Models Radar y revisado por el equipo de Blixel AI.

Media hora y os decimos qué se puede automatizar

Sin presentación comercial. Miramos cómo trabajáis y os decimos por dónde empezar. Y por dónde no.